Mastering The Art Of Data Storytelling: A Guide For Data Scientists - KDnuggets

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Mastering the Art of Data Storytelling: A Guide for Data Scientists
Φωτογραφία Ισαάκ Σμιθ on Unsplash

Εάν θέλετε να γίνετε επιστήμονας δεδομένων ή είστε ήδη επιστήμονας δεδομένων – θα έχετε διαβάσει ή θα γνωρίζετε τις απαιτούμενες δεξιότητες. Θα χρειαστείτε μια γλώσσα προγραμματισμού, κατανόηση μαθηματικών στατιστικών, δυνατότητα δημιουργίας οπτικοποιήσεων δεδομένων και πολλά άλλα.

Εάν θέλετε να γίνετε επαγγελματίας της επιστήμης δεδομένων και χρειάζεστε κάποια καθοδήγηση, ρίξτε μια ματιά σε αυτό το άρθρο: Γίνετε επαγγελματίας της επιστήμης δεδομένων σε πέντε βήματα.

Αν και το μεγαλύτερο μέρος του χρόνου σας θα δαπανηθεί κατά τη διάρκεια του σταδίου προετοιμασίας δεδομένων προσπαθώντας να βρείτε και να καθαρίσετε δεδομένα – υπάρχουν και άλλα σημαντικά στοιχεία για την επιστήμη των δεδομένων.

Μόλις βρείτε τις πολύτιμες γνώσεις σας, εάν πρόκειται για τάσεις, μοτίβα ή για οπτικοποιήσεις - θα πρέπει να μπορείτε να τις εξηγήσετε. Ως επαγγελματίας δεδομένων, μπορεί να είναι δύσκολο για μη τεχνικούς ανθρώπους να κατανοήσουν την τεχνική γλώσσα.

Εάν είστε τεχνικό άτομο, μπορεί να είναι δύσκολο να μεταφέρετε το μήνυμά σας σε μη τεχνικούς ανθρώπους. Όχι μόνο θα συναντήσετε άτομα που δεν είναι τεχνικά, αλλά μπορεί να έχετε να κάνετε με κάποιον που προτιμά τις εξηγήσεις μέσω οπτικοποιήσεων ή εκτέλεσης έργων.

Επομένως, αφού έχετε τα ευρήματά σας, θα χρειαστεί να καλύψετε μια ποικιλία ανθρώπων – και το να μάθετε πώς να το κάνετε αυτό μπορεί να είναι δύσκολο, αλλά μπορεί να επιτευχθεί.

Ας αρχίσουμε…

Ως επιστήμονας δεδομένων ο ίδιος, καταλαβαίνω ότι πολλοί ενδιαφερόμενοι ή διευθυντές δεν θα προέρχονται από τεχνικό υπόβαθρο. Ως εκ τούτου, κάποια από την ορολογία που χρησιμοποιείται στην καθημερινή σας ομάδα θα είναι ξένη σε αυτούς. Για παράδειγμα, βαθμολογία F1 ή διασταυρούμενη επικύρωση.

Σκεφτείτε πώς ένας δάσκαλος εξηγεί ένα θέμα σε έναν μαθητή και κρατήστε το στο μπροστινό μέρος του μυαλού σας όταν εξηγείτε στο κοινό σας. Μεταφράστε την ορολογία της επιστήμης δεδομένων σας σε μια γλώσσα που όλοι μπορούν να κατανοήσουν. Εάν δεν υπάρχει τρόπος να αντικαταστήσετε έναν συγκεκριμένο όρο επιστήμης δεδομένων, δεν είναι κακό να εξηγήσετε τι σημαίνει. Θα κάνετε περισσότερο κακό χάνοντας την προσοχή του κοινού σας σε τεχνικές λέξεις.

Διαφορετικοί άνθρωποι μαθαίνουν με διαφορετικούς τρόπους. Κάποιοι μπορούν να διαβάσουν ένα σχολικό βιβλίο μια φορά και να το αποκτήσουν. Κάποιοι χρειάζονται να είναι χρωματικά κωδικοποιημένοι. Κάποιοι χρειάζονται οπτικοποιήσεις. Όταν παρουσιάζετε τα ευρήματά σας, μην περιορίζετε τον εαυτό σας και βάλτε τον εαυτό σας σε ένα τέλμα όπου πρέπει να απαντήσετε σε 1000 ερωτήσεις. Οι οπτικοποιήσεις μπορούν να απαντήσουν σε ερωτήσεις για εσάς.

Οι οπτικοποιήσεις δεδομένων θα επιτρέψουν στο κοινό σας να κατανοήσει οπτικά τα βήματα που κάνατε και τα ευρήματά σας. Ενώ μιλάτε στο παρασκήνιο για τις απεικονίσεις, τα μάτια τους μαθαίνουν και βγάζουν νόημα από αυτό που λέτε.

Στο τέλος της παρουσίασής σας, φροντίστε να έχετε μια σελίδα σύνοψης όλων των σημαντικών σημείων σας και των οπτικοποιήσεων δεδομένων για να τα δει το κοινό σας. Κατά τη διάρκεια αυτής της περιόδου, θα πρέπει να είστε ανοιχτοί σε ερωτήσεις στις οποίες το κοινό σας μπορεί να κοιτάζει συνεχώς τον πίνακα σύνοψης για να προκαλέσει νέες ερωτήσεις.

Το κοινό σας που κάνει ερωτήσεις δεν είναι κακό, δείχνει ότι άκουγε, ενδιαφέρεται και θέλει να μάθει και να καταλάβει περισσότερα.

Τα παραπάνω σημεία είναι στοιχεία της αφήγησης σας που θα την κάνουν αποτελεσματική. Ωστόσο, μια δομή είναι αυτή που θα κάνει την αφήγηση των δεδομένων σας επιτυχημένη.

Η αφήγηση σε τρεις πράξεις είναι ένα δημοφιλές μοντέλο που χρησιμοποιείται στην αφηγηματική φαντασία που χωρίζει μια ιστορία σε τρία μέρη:

Ρύθμιση

Σκοπός: αναφέρετε με τον πιο σαφή τρόπο το πρόβλημα που προσπαθείτε να λύσετε.

Αυτό περιλαμβάνει μια εισαγωγή στο έργο σας, δηλώνοντας τον σκοπό του έργου, τι προσπαθείτε να λύσετε, κ.λπ. Κατά τη διάρκεια της εγκατάστασης, από την άποψη της επιστήμης δεδομένων θα προχωρήσετε περαιτέρω στο πρόβλημα ή το ζήτημα σε μεγαλύτερο βάθος για να δώσετε το πλαίσιο ο στόχος του έργου. Ο στόχος του έργου σας θα ισοδυναμεί με το σημείο 1 σας.

Αντιμετώπιση

Σκοπός: εξηγήστε στο κοινό σας γιατί είναι σημαντικό να λύσετε αυτό το πρόβλημα και τους διαφορετικούς δρόμους που ακολουθήσατε για να λύσετε το πρόβλημα.

Κατά τη διάρκεια του μέρους της αντιπαράθεσης, μπορείτε να συνεχίσετε να μιλάτε για την εργασία που έχετε στη διάθεσή σας και γιατί η εταιρεία αντιμετώπιζε αυτό το ζήτημα εξαρχής. Θέλετε να διατηρήσετε το ενδιαφέρον και το ενδιαφέρον του κοινού σας, επομένως, όταν μιλάτε για τα προβλήματα που αντιμετωπίζει η εταιρεία, θα κολλάτε πάντα τα ενδιαφερόμενα μέρη.

Εξηγήστε στον αναγνώστη σας βήμα-βήμα τα διαφορετικά μονοπάτια που διανύσατε και το αποτέλεσμά σας για το καθένα, προκειμένου να ολοκληρώσετε την εργασία που έχετε. Τα διαφορετικά βήματα που κάνατε κατά τη διάρκεια του έργου της επιστήμης δεδομένων θα αντικατοπτρίζουν διαφορετικά σημεία, π.χ. Σημείο 2, Σημείο 3,…

Δίνοντας το πλαίσιο του κοινού σας στις αποτυχίες και τα εμπόδια που συναντήσατε και γιατί, θα βοηθήσει στην οικοδόμηση εμπιστοσύνης και κατανόησης μεταξύ εσάς και του κοινού μόλις καταλήξετε σε μια λύση.

Ανάλυση

Σκοπός: Εξηγήστε τη λύση που μπορείτε να προσφέρετε για να λύσετε το πρόβλημα και βεβαιωθείτε ότι το κοινό είναι ικανοποιημένο.

Αυτό είναι όπου το κοινό μεταβαίνει από ανησυχία σε ανακούφιση. Η ανάλυσή σας θα πρέπει να αναφέρει πώς ξεπερνά τις προηγούμενες αποτυχίες και τα εμπόδια σας. Ανοίξτε αυτήν την ενότητα για ερωτήσεις, καθώς το κοινό σας θα θέλει να έχει πλήρη εμπιστοσύνη στις πληροφορίες δεδομένων σας και να πιστεύει ότι αυτός είναι ο σωστός τρόπος.

Μόλις το κοινό είναι ήσυχο, μπορείτε να αρχίσετε να ολοκληρώνετε και να μιλάτε για τις ενέργειες που πρέπει να γίνουν, προκειμένου η εργασία να είναι επιτυχημένη.

Μια άλλη δομή που είναι πολύ αποτελεσματική είναι η αρχή της πυραμίδας. Αυτό είναι ένα αποτελεσματικό εργαλείο επικοινωνίας που χρησιμοποιείται για την ξεκάθαρη επικοινωνία περίπλοκων θεμάτων σε πολυάσχολα στελέχη. Ο στόχος είναι οι γραπτές ιδέες να σχηματίζουν πάντα μια πυραμίδα κάτω από μια μόνο σκέψη.

Επιτρέψτε μου λοιπόν να το εξηγήσω λίγο περισσότερο. Όταν έχετε να κάνετε με πολυάσχολα στελέχη που θέλουν να μάθουν για τις πληροφορίες δεδομένων σας, αλλά δεν έχουν χρόνο ή θέλουν να μάθουν τις λύσεις – η αρχή της πυραμίδας είναι ο σωστός τρόπος.

Χωρίζεται σε 3 μέρη:

Η απάντησή σου

Σε αυτήν την περίπτωση, η απάντησή σας θα είναι η λύση στην εργασία που έχετε. Αυτό είναι το κύριο σημείο που θέλετε να αφαιρέσει το κοινό σας. Αυτό είναι το βασικό μήνυμα και θέλετε η εστίαση να περιβάλλεται γύρω από αυτό το κύριο σημείο – τη λύση.

Υποστηρικτικά επιχειρήματα

Μόλις δηλώσετε τη λύση, το επόμενο βήμα σας είναι να πείσετε το κοινό σας ότι αυτός είναι ο τρόπος που πρέπει να ακολουθήσετε. Για να το κάνετε αυτό, θα πρέπει να τους περάσετε σε ένα ταξίδι υποστηρικτικών επιχειρημάτων, με διορατικότητα υψηλού επιπέδου. Κατά τη διάρκεια αυτού του μέρους, το κοινό σας μπορεί να έχει μερικές ερωτήσεις στο μυαλό του.

Υποστηρικτικά Γεγονότα/Δεδομένα

Σε αυτό το μέρος, όλες οι πιθανές ερωτήσεις που μπορεί να έχει το κοινό σας θα απαντηθούν εδώ. Κάθε ένα από τα υποστηρικτικά σας επιχειρήματα πρέπει να υποστηρίζεται από δεδομένα και γεγονότα για να διασφαλίσετε ότι το κοινό σας κάνατε την εργασία σας και ότι η αρχική σας απάντηση/λύση δεν προέκυψε από τον αέρα.

Η χρήση των δεξιοτήτων χρήσης μη τεχνικής γλώσσας και οπτικοποιήσεων σε οποιαδήποτε δομή: η αφήγηση σε τρεις πράξεις ή η αρχή της πυραμίδας θα σας επιτρέψει να κυριαρχήσετε στην τέχνη της αφήγησης δεδομένων.

Η επιλογή σας για τη δομή που θα επιλέξετε εξαρτάται από το πόσο καλά γνωρίζετε το κοινό σας. Μπορείτε πάντα να δοκιμάσετε και να κάνετε λάθος και στις δύο δομές για να δείτε ποια είναι η πιο αποτελεσματική. Ένας καλός τρόπος για να μετρήσετε πόσο αποτελεσματική είναι η δομή για το κοινό σας είναι να σημειώσετε ποια δομή είχε λιγότερες ερωτήσεις. Όσο λιγότερες ερωτήσεις έχει το κοινό σας, τόσο πιο επιτυχημένη ήταν η αφήγηση.

Nisha Arya είναι Επιστήμονας Δεδομένων, Ανεξάρτητος Τεχνικός Συγγραφέας και Διευθυντής Κοινότητας στο KDnuggets. Ενδιαφέρεται ιδιαίτερα να παρέχει συμβουλές σταδιοδρομίας ή σεμινάρια της Επιστήμης Δεδομένων και γνώσεις βασισμένες στη θεωρία γύρω από την Επιστήμη των Δεδομένων. Επιθυμεί επίσης να διερευνήσει τους διαφορετικούς τρόπους με τους οποίους η Τεχνητή Νοημοσύνη μπορεί/μπορεί να ωφελήσει τη μακροζωία της ανθρώπινης ζωής. Μια δεινή μαθήτρια, που επιδιώκει να διευρύνει τις τεχνολογικές της γνώσεις και τις δεξιότητες γραφής, βοηθώντας παράλληλα να καθοδηγήσει άλλους.